公开(公告)号：CN109993280A

公开(公告)日：2019-07-09

申请号：CN201910236715.X

申请日：2019-03-27

Applicant: 东南大学

Inventor： 吴志翔 ,  姜龙玉 ,  金睿

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的水下声源定位方法，包括：对使用KRAKEN程序模拟出的向量数据进行归一化操作，并叠加0均值高斯随机噪声复向量n，得到在频率f处的模拟声场数据p(f)；根据模拟声场数据p(f)构建归一化协方差矩阵H，并对矩阵H进行Hermitian分解，将复矩阵H转化为卷积神经网络能够处理的实矩阵，得到卷积神经网络的输入数据；使用输入数据训练卷积神经网络，得到水下声源定位预测模型，则根据观测到的声场数据，预测出信号源的距离和深度。本发明针对单、多声源情形下水下声源定位使用了LeNet‑5卷积神经网络与56层深度残差网络，取得了拥有较高精度和准确率的水下声源定位算法，并提高了水下声源定位的实时性。

公开(公告)号：CN109993280B

公开(公告)日：2021-05-11

申请号：CN201910236715.X

申请日：2019-03-27

Applicant: 东南大学

Inventor： 吴志翔 ,  姜龙玉 ,  金睿

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的水下声源定位方法，包括：对使用KRAKEN程序模拟出的向量数据进行归一化操作，并叠加0均值高斯随机噪声复向量n，得到在频率f处的模拟声场数据p(f)；根据模拟声场数据p(f)构建归一化协方差矩阵H，并对矩阵H进行Hermitian分解，将复矩阵H转化为卷积神经网络能够处理的实矩阵，得到卷积神经网络的输入数据；使用输入数据训练卷积神经网络，得到水下声源定位预测模型，则根据观测到的声场数据，预测出信号源的距离和深度。本发明针对单、多声源情形下水下声源定位使用了LeNet‑5卷积神经网络与56层深度残差网络，取得了拥有较高精度和准确率的水下声源定位算法，并提高了水下声源定位的实时性。